CN104050808B - 公路交通堵塞定位搜寻方法 - Google Patents
公路交通堵塞定位搜寻方法 Download PDFInfo
- Publication number
- CN104050808B CN104050808B CN201410242456.9A CN201410242456A CN104050808B CN 104050808 B CN104050808 B CN 104050808B CN 201410242456 A CN201410242456 A CN 201410242456A CN 104050808 B CN104050808 B CN 104050808B
- Authority
- CN
- China
- Prior art keywords
- point
- monitoring
- stop
- monitoring system
- upstream
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开一种公路交通堵塞定位搜寻方法,是基于沿途设置的监测系统而实现,包含堵塞区域搜寻和堵塞点定位搜寻两方面内容;对于可视型、可以全面监测两监视点之间路况的监测系统,采用堵塞区域搜寻方式;对于可视型、但不能全部监测到两监测之间路况的监测系统,以及不可视的监测系统,采用堵塞点定位搜寻方式。堵塞点定位搜寻方式,是指将监测系统获得的最小车流量上游数个监测点的车流量数据拟合成一条上游流量曲线;将最小车流量下游数个监测点的车流量数据拟合成一条下游流量曲线,求取两条曲线的交点,即是堵塞点。本发明所提供的方法可以准确定位交通堵塞、事故的具体地点,尤其是监测点之间的盲区,还可以克服雨雪天气的影响。
Description
技术领域
本发明属于交通控制技术领域,特别关于交通事故的预警处理,具体是指公路交通堵塞定位搜寻的方法。
背景技术
交通堵塞严重影响人们的正常出行及工作效率,从统计来看,发生交通堵塞的原因一般都是该地段发生了车流量大,尤其是交通事故造成的。交通事故是指公路车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件。在全世界范围内,道路交通事故已经成为社会的一大公害。交通事故通常会引起道路阻塞、造成交通不畅,交通管理平台如果能及时准确获知阻塞发生的位置,可以判断该地区可能有事故隐患或已经发生,可以及早派出警力到现场进行疏通、避免交通事故的进一步恶化。
及时准确定位道路交通堵塞位置,对于道路交通指挥决策、提高交通的安全性,以及对于探究道路交通事故的发生规律、分析现有道路交通条件下交通事故的未来发展趋势都有着非常重要的意义。
目前交通监控平台主要还是依靠人工检索和判别,通过指挥中心大屏寻找交通事故。这项任务的工作量很大、非常辛苦,而且长时间工作会导致人疲劳、准确率下降。因此交通管理监控平台需要一种自动搜索方法与之配合,运行于平台的计算机之上自动辅助交警寻找、定位交通堵塞点。
运行交通监控平台堵塞点自动搜索的前提有两种,一是建立监测站点,进行交通事件实时监测;二是根据交通流运动规律建立短时交通预测模型,通过对比预测结果与实际交通参数之间的差异来确定是否有交通事故或交通堵塞。
交通事件实时监测属于定点监测,是指设立多个监测点,系统通过视频处理自动完成交通事件监测,如在监测站点发现停驶、车辆逆行、遗弃物、行人检测、车辆慢行、交通拥堵、车辆轨迹异常、撞车、火灾、烟雾等,都可作为判定的依据。但是这种方法受天气状况影响很大,在雨雪雾等恶劣天气中的有效检测距离会大幅度下降;而且需要设立多个监测点(间距要非常近)才能保证无路面漏检测,导致建设成本非常高。
短时交通预测依赖于对交通流运动规律建立精确的数学模型,国内外对于道路交通事故预测进行了多方面研究,提出了一些事故预测方法,主要有:基于线性系统理论的方法、基于知识发现的智能模型的方法、基于非线性系统理论的方法。其中研究比较早也比较多的是基于线性系统理论的预测方法,根据当前时段的交通流状态向量进行单步预测,得到下一个时段的预测结果。同时记录预测值,将其作为下一步预测的基础,如此循环。常用的主要有历史平均预测方法、时间序列预测方法、卡尔曼滤波预测方法等。这些方法需要依赖于对交通流运动规律建立精确的数学模型,但是,交通流的实质是一种混沌运动,很难用精确的模型描述,即使是对正常交通行驶状态也很难做到非常精确描述。因此基于短时交通预测方法来确定交通事故的位置精度可能会受到影响,而且短时交通预测仅能判断路段内是否有交通事故,并不能定位具体的事故发生地点。交通事故多发于限速比较高的公路。
发明内容
因此为了解决交通堵塞点定位难的问题,本发明提供一种运行于交通指挥平台的公路交通堵塞搜寻定位方法。该方法能在两个监测点之间的观测盲区确定交通堵塞点。
为实现上述目的,本发明采取以下技术方案:一种公路交通堵塞定位搜寻方法,基于沿途设置的监测系统而实现,包含堵塞区域搜寻和堵塞点定位搜寻两方面内容;对于可视型、相邻两监测点之间的监视范围包容两点间的所有路况的监测系统,采用堵塞区域搜寻方式;对于可视型、但相邻两监测点之间的监视范围不能包容两点间的所有路况的监测系统,以及不可视的监测系统,采用堵塞点定位搜寻方式。
所述可视监测系统包括视频器;所述不可视监测系统包括地埋线圈、微波传感器。
所述堵塞区域搜寻方式,是指将所有在监测点获得的车流量进行对比,找到最小值,根据最小值所在监测点的画面判断堵塞的具体位置。
所述堵塞点定位搜寻方式,是指将监测系统获得的最小车流量上游数个监测点的车流量数据通过最小二乘法拟合成一条上游流量曲线;将最小车流量下游数个监测点的车流量数据通过最小二乘法拟合成一条下游流量曲线,求取两条曲线的交点,即是堵塞点。
拟合流量曲线的具体计算方法如下:以最小车流量那一监测点为分界点,向上游搜寻流量明显下降的一段监测点集合,集合是一个二维矩阵,不包含分界点,一列为监测点位置坐标、另一列是监测点测得的流量,以拟合直线的参数变换剧烈程度为判断标准,差异大于阈值时停止搜索,然后对该数据集合进行最小二乘法拟合求得上游流量下降曲线;用数学模型表达为:Y=XH,
式中,Y=[y2,y3,Λ,ym]T为2,3,Λ,m号监测点测得的流量, 为2,3,Λ,m号监测点距离分界点的位置,H=[a,b]T为拟合直线的参数,根据最小二乘法理论,参数向量[a,b]T可以通过下式求解:
H=(XTX)-1(XTY)
朝着向上游的方向依次增加监测点,n逐步增大,不断算出新的参数向量[an,bn]T,当第n次求取的[an,bn]T与第n-1次求取的[an-1,bn-1]T差异大于阈值时停止增加监测点,差异的数学表示为:
ε=([an,bn]-[an-1,bn-1])·([an,bn]-[an-1,bn-1])T
因此,对从2,Λ,n-1个监测点数据获得的参数向量[a2,n-1,b2,n-1]T可以形成一条与实际上游流量下降的曲线较为拟合的直线:
yi=a2,n-1xi+b2,n-1;
按照同样的方法,可求得下游流量上升的拟合直线;
两条线交点就是交通堵塞点。
本发明由于采取以上技术方案,其具有以下优点:1、本发明所提供的方法可以克服雨雪雾这些恶劣天气的影响,准确定位交通堵塞、交通事故的具体地点,尤其是监测点之间的盲区。2、该方法适用于监测点为视频监测系统的测量,也适用于地埋线圈、微波等传感器构成的监测系统的测量,还可以兼容视频和普通地面交通传感器两方面信息的测量。
附图说明
图1是公路交通堵塞搜寻定位方法流程图。
图2是用最小二乘法拟合的堵塞点上下游的流量曲线。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明能够在两个监测点之间的观测盲区确定交通堵塞点,尤其适用于监测点的间隔非常大时。所用监测系统,可以为视频监测系统,也可以为地埋线圈、微波等传感器构成的监测系统,也可以兼容视频信息和普通地面交通传感器信息。
众所周知,堵塞区的特点是可用路面变窄,车速变慢。堵塞区上游会出现车多速度慢的现象,下游会出现车少速度快的现象。堵塞区的行车速度接近上游、而车辆数量接近下游。因此根据车流量等于汽车数量与行车速度的乘积这一交通学的基本关系,阻塞区的车流量应该最小,上、下游的车流量都会比堵塞区高。
因此本方法将基于这一特征寻找堵塞点,寻找方法包括两方面信息处理环节:1)堵塞区域搜寻,2)堵塞点定位。能使用堵塞区域搜寻法搜寻到堵塞区域(路段)的,就用阻塞区域搜寻法,不适用于阻塞区域搜寻法的,再启用阻塞点定位法。处理流程如图1所示。
1)堵塞区域搜寻的方法
将所有在监测点(视频监控或地埋线圈、微波等监测方式)获得的车流量进行对比,查找最小值。
若是采用视频监测,可以自动调出流量最小值所在监测点的画面、通知交通监管平台的监控人员观察。采用视频监测情况下,又分为两种情况:
如果堵塞点在可视的监测范围内,人工观察即可判断堵车的具体位置;
如果堵塞点不处于两个监测点之间的可视区域内(交通事故中这种情况经常发生,因为视频监测的间距都在数百米甚至上千米的间隔,交通指挥平台的工作人员无法观察到堵塞点),此时的精确定位就需要启动第二个信息处理环节:阻塞点定位,见下述。
若是采用地埋线圈、微波等装置监测,因为交通指挥平台的工作人员无法观测到现场的画面,所以直接进入第二个信息处理环节:阻塞点定位。
2)堵塞点定位方法
堵塞点的特征是上、下游的车流量都要高于堵塞点。这种流量变化的传播过程呈现冲击波状。向上游蔓延的称为停车波,堵车的影响随距离接近逐渐增强,向下游蔓延的称为起动波,堵车的影响随距离加大逐渐递减。也就是说越靠近堵塞点,车流量越小;越远离堵塞点,车流量越大。按照这种规律推定,如果某一监测点距堵塞点越近,监测点检测到的车流量则越小;监测点距事故点越远,监测点检测到的车流量则越大。因此,我们以横坐标(x轴)为监测点的位置,纵坐标(y轴)为车流量,堵车时车流量越接近堵塞点越小,车流量和监测点位置的变化呈近似V字状变化。公路交通堵塞定位搜寻方法的设计目标就是自动分析交通数据、定位堵塞点。
考虑到交警赶到现场后可通过目视修正阻塞点位置,算法定位精度设为百米即可,这种情况下我们将V字状的曲线近似化简为由两条直线交叉构成,因此可以选择最小车流量上游数个监测点的车流量通过最小二乘法拟合一条上游流量下降直线,选择下游数个监测点的车流量通过最小二乘法拟合一条下游流量上升直线。两条直线构成V字状,它们的交点即是阻塞点,如图2所示。
拟合算法全过程为:
所述的公路交通堵塞搜寻定位方法以最小车流量监测点为分界点,以公路入口至分界点的路段为上游,以分界点至公路出口的路段为下游。这种情况下V字状的曲线拟合可以在上、下游分别展开。
首先求取上游的流量下降曲线,需要筛选出属于上游流量下降的监测点。越靠近堵塞点处的上游流量下降越明显,可以先从分界点向上游方向搜寻流量下降明显的那一段监测点集合。
从分界点处开始依次添入各个监测点的数据拟合流量下降曲线,数学模型为:
转换为向量和矩阵形式:
Y=XH
式中,Y=[y2,y3,Λ,ym]T为2,3,Λ,m号监测点测得的流量(1号为分界点,算法从紧邻分界点上游的2号监测点开始), 为2,3,Λ,m号监测点距离起点的位置,H=[a,b]T为拟合直线的参数。根据最小二乘法理论,参数向量[a,b]T可以通过下式求解:
H=(XTX)-1(XTY)
朝着向上游的方向依次增加监测点,n逐步增大,不断算出新的参数向量[an,bn]T。当第n次求取的[an,bn]T与第n-1次求取的[an-1,bn-1]T差异大于阈值时停止增加监测点,差异的数学表示为:
ε=([an,bn]-[an-1,bn-1])·([an,bn]-[an-1,bn-1])T
因此,对从2,Λ,n-1个监测点数据获得的参数向量[a2,n-1,b2,n-1]T可以形成一条与实际上游流量下降曲线较为拟合的直线:
yi=a2,n-1xi+b2,n-1
用同样的方式也可以提取出下游的2,3,Λ,l-1个监测点数据(同理1号设为分界点),可以形成一条与实际下游流量上升曲线较为拟合的直线:
yj=c2,l-1xj+d2,l-1
两条直线的交点(xi,yi)按照下式求取:
(xi,yi)即为堵塞点。算出这个位置点后,即可知道它距离哪个监测点的位置最近。测试结果表明定位误差小于200米,交警赶到堵塞点之后通过目视即可确定交通事故现场的精确位置。
实施例
沈海公路第2003公里至2015公里路段,全长12公里,为连续长下坡,坡度大、弯道多、路面窄,容易发生交通事故。在管理平台中使用了本发明设计的公路交通堵塞点定位方法,信息采集通过视频监控来实现。项目测试时,该路段(覆盖A\B道)每间隔1000米左右设立了一对高清夜视云台摄像机进行视频监控。监控范围为左右各1000米,每台高清摄像机对应一路视频检测器进行自动视频分析(检测区域为左、右各300米)。
在天气状况良好的条件下,监控平台仅需使用公路交通堵塞搜寻定位方法中的阻塞区域搜寻方法即可完成交通事故定位。先确定流量最低(剧烈下降)的监测点,然后自动调出该点的画面,通知交通监管平台内的监控人员观察确定交通事故的具体位置即可。
天气状况恶劣的条件下,摄像机的监视范围有限,监控人员观察难以有效观察路况。当确定流量最低(剧烈下降)的监测点确定后,启动阻塞点定位方法:选择该监测点上游数个监测点的车流量通过最小二乘法拟合一条上游流量下降直线;选择下游数个监测点的车流量通过最小二乘法拟合一条下游流量上升直线,两条直线交点即是堵塞点。
测试结果表明定位误差小于200米,交警赶到定位的堵塞点后,通过目视即可确定交通事故现场的精确位置。
Claims (3)
1.一种公路交通堵塞定位搜寻方法,基于沿途设置的监测系统而实现,其特征在于:包含堵塞区域搜寻和堵塞点定位搜寻两方面内容;对于可视型、相邻两监测点之间的监视范围包容两点间的所有路况的监测系统,采用堵塞区域搜寻方式;对于可视型、但相邻两监测点之间的监视范围不能包容两点间的所有路况的监测系统,以及不可视的监测系统,采用堵塞点定位搜寻方式;
所述堵塞区域搜寻方式,是指将所有在监测点获得的车流量进行对比,找到最小值,根据最小值所在监测点的画面判断堵塞的具体位置;
所述堵塞点定位搜寻方式,是指将监测系统获得的最小车流量上游数个监测点的车流量数据通过最小二乘法拟合成一条上游流量曲线;将最小车流量下游数个监测点的车流量数据通过最小二乘法拟合成一条下游流量曲线,求取两条曲线的交点,即是堵塞点。
2.根据权利要求1所述的公路交通堵塞定位搜寻方法,其特征在于:所述可视监测系统包括视频器;所述不可视监测系统包括地埋线圈、微波传感器。
3.根据权利要求1所述的公路交通堵塞定位搜寻方法,其特征在于:拟合流量曲线的具体计算方法如下:以最小车流量那一监测点为分界点,向上游搜寻流量明显下降的一段监测点集合,集合是一个二维矩阵,不包含分界点,一列为监测点位置坐标、另一列是监测点测得的流量,以拟合直线的参数变换剧烈程度为判断标准,差异大于阈值时停止搜索,然后对该数据集合进行最小二乘法拟合求得上游流量下降曲线;用数学模型表达为:Y=XH,
式中,Y=[y2,y3,Λ,ym]T为第2,3,Λ,m号监测点测得的流量, 为第2,3,Λ,m号监测点距离分界点的位置,H=[a,b]T为拟合直线的参数,根据最小二乘法理论,参数向量[a,b]T可以通过下式求解:
H=(XTX)-1(XTY)
朝着向上游的方向依次增加监测点,n逐步增大,不断算出新的参数向量[an,bn]T,当第n次求取的[an,bn]T与第n-1次求取的[an-1,bn-1]T差异大于阈值时停止增加监测点,差异的数学表示为:
ε=([an,bn]-[an-1,bn-1])·([an,bn]-[an-1,bn-1])T
因此,对从2,Λ,n-1个监测点数据获得的参数向量[a2,n-1,b2,n-1]T可以形成一条与实际上游流量下降的曲线较为拟合的直线:
yi=a2,n-1xi+b2,n-1
按照同样的方法,可求得下游流量上升的拟合直线,
两条线交点就是交通堵塞点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242456.9A CN104050808B (zh) | 2014-06-03 | 2014-06-03 | 公路交通堵塞定位搜寻方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410242456.9A CN104050808B (zh) | 2014-06-03 | 2014-06-03 | 公路交通堵塞定位搜寻方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104050808A CN104050808A (zh) | 2014-09-17 |
CN104050808B true CN104050808B (zh) | 2016-05-18 |
Family
ID=51503560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410242456.9A Active CN104050808B (zh) | 2014-06-03 | 2014-06-03 | 公路交通堵塞定位搜寻方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104050808B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915726B (zh) * | 2015-05-11 | 2018-07-13 | 四川汇源吉迅数码科技有限公司 | 一种基于时间片划分的车流量数据库生成方法 |
WO2017149720A1 (ja) * | 2016-03-03 | 2017-09-08 | 三菱電機株式会社 | 混雑予測装置および混雑予測方法 |
CN106781477A (zh) * | 2016-12-22 | 2017-05-31 | 东莞华南设计创新院 | 一种公路信息化智能系统 |
CN106781496A (zh) * | 2017-01-04 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 基于公安交通管理技术缓解城市交通拥堵的方法和系统 |
CN106504539A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速确定高速公路拥堵源头位置的方法和系统 |
CN106504538A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速消除导致高速公路拥堵源头的方法和系统 |
CN107146405A (zh) * | 2017-01-23 | 2017-09-08 | 北京博研智通科技有限公司 | 获取精准受阻系数的方法和系统 |
CN114926988B (zh) * | 2022-07-22 | 2022-09-30 | 山东高速信息集团有限公司 | 一种路段拥堵疏导方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696502A (en) * | 1994-03-14 | 1997-12-09 | Siemens Aktiengesellschaft | Method of sensing traffic and detecting traffic situations on roads, preferably freeways |
CN101075377A (zh) * | 2007-05-30 | 2007-11-21 | 东南大学 | 基于偏最小二乘原理的高速公路交通事件自动检测方法 |
CN101968927A (zh) * | 2010-09-21 | 2011-02-09 | 隋亚刚 | 可选择使用高清视频、微波检测获得交通流量的检测系统 |
CN102231235A (zh) * | 2011-04-29 | 2011-11-02 | 陈伟 | 一种交通流异常点检测定位方法 |
CN202584424U (zh) * | 2012-04-19 | 2012-12-05 | 东华大学 | 一种基于arm的交通流量的自动监测系统 |
-
2014
- 2014-06-03 CN CN201410242456.9A patent/CN104050808B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696502A (en) * | 1994-03-14 | 1997-12-09 | Siemens Aktiengesellschaft | Method of sensing traffic and detecting traffic situations on roads, preferably freeways |
CN101075377A (zh) * | 2007-05-30 | 2007-11-21 | 东南大学 | 基于偏最小二乘原理的高速公路交通事件自动检测方法 |
CN101968927A (zh) * | 2010-09-21 | 2011-02-09 | 隋亚刚 | 可选择使用高清视频、微波检测获得交通流量的检测系统 |
CN102231235A (zh) * | 2011-04-29 | 2011-11-02 | 陈伟 | 一种交通流异常点检测定位方法 |
CN202584424U (zh) * | 2012-04-19 | 2012-12-05 | 东华大学 | 一种基于arm的交通流量的自动监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104050808A (zh) | 2014-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104050808B (zh) | 公路交通堵塞定位搜寻方法 | |
CN107657813B (zh) | 基于行车轨迹的高速公路交通执法判别方法 | |
CN103985250B (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
CN103258427B (zh) | 基于信息物理网络的城市快速路交通实时监控方法 | |
Cai et al. | Shock wave approach for estimating queue length at signalized intersections by fusing data from point and mobile sensors | |
CN107424410B (zh) | 一种基于路径旅行时间计算的交通异常检测方法 | |
Lu et al. | Effects of winter weather on traffic operations and optimization of signalized intersections | |
CN104050809B (zh) | 交通状况自动分析预测方法 | |
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN104809879A (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
CN102005120A (zh) | 基于视频图像分析的交通路口监控技术和系统 | |
CN105405293A (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
CN104794895A (zh) | 一种面向高速公路的多源交通信息融合方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN106023590A (zh) | 一种城市道路交叉口内部区域拥堵快速检测方法及系统 | |
CN102289937B (zh) | 基于停车线检测器的城市地面道路交通状态自动判别方法 | |
CN102819956B (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
Kumar et al. | Study on road traffic congestion: A review | |
Elefteriadou et al. | Comparison of methods for measuring travel time at Florida freeways and arterials. | |
Krogh et al. | Trajectories for novel and detailed traffic information | |
Hubbard et al. | Integration of real-time pedestrian performance measures into existing infrastructure of traffic signal system | |
Saunier et al. | Comparing data from mobile and static traffic sensors for travel time assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |